Modul 1: Pengenalan

Memahami Intuisi di Balik Kecerdasan Buatan

🧠 Otak Manusia vs Komputer

Bayangkan saat pertama kali kamu belajar naik sepeda. Apakah kamu langsung membaca buku fisika tentang gaya gravitasi dan torsi? Tentu tidak! Kamu naik, kamu jatuh, kamu menyesuaikan keseimbangan, dan kamu mencoba lagi. Otakmu secara otomatis melakukan penyesuaian sinyal saraf berdasarkan kesalahan (jatuh) yang kamu alami.

Komputer konvensional tidak bekerja seperti itu. Mereka bekerja berdasarkan instruksi yang *kaku*:

jika (sepeda miring ke kiri) {
puter stang ke kanan 30 derajat;
}

Tapi bagaimana jika miringnya cuma sedikit? Bagaimana jika ada angin kencang? Program konvensional akan gagal jika kondisinya tidak terduga. Di sinilah Neural Network masuk. Ia mencoba meniru cara kerja otak kita: Belajar dari Kesalahan.

Inti Sari

Neural Network bukan sihir. Ia hanyalah sebuah fungsi matematika raksasa yang memiliki banyak "tombol putar" (parameter). Kita memutar-mutar tombol ini sampai hasil keluarannya sesuai dengan yang kita inginkan.

📦 Kotak Hitam Ajaib (Function Approximator)

Secara matematis, Neural Network hanyalah sebuah fungsi $f(x)$ yang memetakan Input ($x$) ke Output ($y$).

$$ y = f(x) $$

Misalkan kita ingin membuat AI yang menebak harga rumah ($y$) berdasarkan luas tanah ($x$). Katakanlah kita punya data:

Tanah 100m² -> Harga 1 Milyar
Tanah 200m² -> Harga 2 Milyar

Otak kita dengan mudah menebak polanya: "Oh, dikali 10 juta per meter". Dalam matematika, ini adalah garis lurus:

Harga = (Bobot \cdot Luas) + Bias

Neural Network dimulai dengan menebak bobot secara acak (misal, menebak harganya 500 juta). Lalu ia melihat data asli (ternyata 1 Milyar), menyadari ia "salah" sebesar 500 juta (Cost/Loss), dan memperbaiki tebakannya. Proses ini diulang ribuan kali.

Contoh Perhitungan: Prediksi Harga Rumah

Mari kita coba hitung secara manual apa yang dilakukan Neural Network di awal training (saat masih "bodoh").

Input ($x$): Luas tanah 100 $m^2$.
Tebakan Bobot ($w$): 5 (juta per meter).
Tebakan Bias ($b$): 50 (juta).

Maka prediksinya:

y = (5 \times 100) + 50 = 500 + 50 = 550 \text{ juta}

Prediksi: 550 Juta vs Kenyataan: 1000 Juta.
Error: 450 Juta. Neural Network akan menggunakan error ini untuk mengubah $w$ dan $b$ agar prediksi berikutnya lebih dekat ke 1000.

🔍 Struktur Dasar

Sebuah Neural Network terdiri dari lapisan-lapisan (layers):

Input Layer: Pintu masuk data (misal: piksel gambar, luas tanah).
Hidden Layer: Lapisan tersembunyi tempat "pemrosesan" dan pencarian fitur terjadi. Semakin banyak layer ini, semakin "Deep" network kita (Deep Learning).
Output Layer: Hasil prediksi (misal: "Ini Kucing", "Ini Anjing").

Apa Selanjutnya?

Di modul berikutnya, kita akan membedah unit terkecil dari jaringan ini, yaitu Neuron (atau Perceptron). Kita akan melihat bagaimana satu neuron melakukan perhitungan matematika sederhana.

Kembali ke Menu Lanjut ke Modul 2